Analisis Sentimen Pengguna Aplikasi Livin' by Mandiri Menggunakan Metode Support Vector Machine (SVM) dengan Ekstraksi Fitur TF-IDF dan Word2Vec
DOI:
https://doi.org/10.52436/1.jpti.941Kata Kunci:
Analisis Sentimen, Livin’ by Mandiri, Mobile Banking, SVM, TF-IDF, Word2VecAbstrak
Pesatnya perkembangan aplikasi mobile banking di Indonesia, termasuk Livin’ by Mandiri, menimbulkan kebutuhan untuk memahami respons pengguna secara lebih mendalam. Studi ini bertujuan untuk mengevaluasi sentimen pengguna terhadap aplikasi tersebut berdasarkan ulasan yang diperoleh dari Google Play Store. Penelitian ini menerapkan algoritma Support Vector Machine (SVM) dengan dua teknik ekstraksi fitur, yaitu Term Frequency–Inverse Document Frequency (TF-IDF) dan Word2Vec. Sebanyak 15.000 ulasan dianalisis dan diklasifikasikan ke dalam sentimen positif maupun negatif, setelah melalui tahapan pra-pemrosesan. Hasil analisis menunjukkan bahwa model SVM dengan TF-IDF menghasilkan akurasi 87%, precision 90% untuk sentimen positif, serta recall sebesar 82%. Sebaliknya, pendekatan Word2Vec mencatatkan akurasi 83%, precision positif 92%, dan recall 71%. Temuan ini mengindikasikan bahwa TF-IDF lebih konsisten dalam klasifikasi umum, sedangkan Word2Vec lebih efektif dalam mengenali sentimen negatif.
Unduhan
Referensi
F. Riza, B. Kurniawan, P. Studi, T. Informatika, I. Teknologi, and B. Utomo, “KLASIFIKASI MACHINE LEARNING UNTUK ANALISIS SENTIMEN PENGGUNA MOBILE BANKING LIVIN ’ BY MANDIRI PADA GOOGLE PLAY STORE,” (Jurnal ilmiah), vol. 18, no. 2, pp. 116–122, 2024.
visa, “Visa Consumer Payment Attitudes Study 2023,” Visa Inc. (Laporan online), [Online]. Available: https://www.visa.co.id/about-visa/newsroom/press-releases.413578.html
D. M. W. Powers, “Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation,” pp. 37–63, (Preprint arXiv), 2020, [Online]. Available: http://arxiv.org/abs/2010.16061
M. Rizky Pratama, Y. R. Ramadhan, and M. A. Komara, “Analisis sentimen BRImo dan BCA Mobile menggunakan Support Vector Machine dan Lexicon Based,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., (Jurnal ilmiah), vol. 12, no. 3, pp. 1439–1450, 2023.
V. W. D. Thomas and F. Rumaisa, “Analisis Sentimen Ulasan Hotel Bahasa Indonesia Menggunakan Support Vector Machine dan TF-IDF,” J. Media Inform. Budidarma, (Jurnal ilmiah), vol. 6, no. 3, p. 1767, 2022, doi: 10.30865/mib.v6i3.4218.
I. Hendrawan Rifky, E. Utami, and A. Hartanto Dwi, “Analisis Perbandingan Metode Tf-Idf dan Word2vec pada Klasifikasi Teks Sentimen Masyarakat Terhadap Produk Lokal di Indonesia,” Smart Comp Jurnalnya Orang Pint. Komput., (Jurnal ilmiah), vol. 11, no. 3, pp. 497–503, 2022, doi: 10.30591/smartcomp.v11i3.3902.
I. Azizah, I. Cholissodin, and N. Yudistira, “Analisis Sentimen Ulasan Pengguna Aplikasi Shopee di Google Play menggunakan Metode Word Embedding dan Long Short Term Memory (LSTM),” J. Pengemb. Teknol. Inf. dan Ilmu Komput., (Jurnal ilmiah), vol. 7, no. 5, pp. 2453–2459, 2023.
Nadia Ristya Dewi, E. Yulia Puspaningrum, and H. Maulana, “Analisis Sentimen Tweet Vaksinasi Covid-19 Menggunakan RNN Dengan Metode TF-IDF Dan Word2Vec,” J. Inform. dan Sist. Inf., (Jurnal ilmiah), vol. 3, no. 1, pp. 56–65, 2022, doi: 10.33005/jifosi.v3i1.449.
R. Yunita and M. Kamayani, “Perbandingan Algoritma SVM Dan Naïve Bayes Pada Analisis Sentimen Penghapusan Kewajiban Skripsi,” Indones. J. Comput. Sci., (Jurnal ilmiah), vol. 12, no. 5, pp. 2879–2890, 2023, doi: 10.33022/ijcs.v12i5.3415.
N. Rezki, “Analisis Sentimen Kebijakan Merdeka Belajar Kampus Merdeka Menggunakan Mesin Vektor Pendukung Dengan Ekstraksi Fitur …,” (Skripsi, Universitas Hasanuddin), 2022, [Online]. Available: http://repository.unhas.ac.id/id/eprint/23689/%0Ahttp://repository.unhas.ac.id/id/eprint/23689/4/H051181026_skripsi_30-08-2022.pdf
J. E. Br Sinulingga and H. C. K. Sitorus, “Analisis Sentimen Opini Masyarakat terhadap Film Horor Indonesia Menggunakan Metode SVM dan TF-IDF,” J. Manaj. Inform., (Jurnal ilmiah), vol. 14, no. 1, pp. 42–53, 2024, doi: 10.34010/jamika.v14i1.11946.
M. I. Petiwi, A. Triayudi, and I. D. Sholihati, Analisis Sentimen Gofood Berdasarkan Twitter Menggunakan Metode Naïve Bayes dan Support Vector Machine, (Jurnal ilmiah), vol. 6, no. 1. 2022. doi: 10.30865/mib.v6i1.3530.
Y. S. Triyantono, S. Al Faraby, and M. Dwifebri, “Analisis Sentimen Terhadap Ulasan Film Menggunakan Word2Vec dan SVM,” eProceedings Engineering., (Prosiding konferensi), vol. 8, no. 4, p. 4136, 2021.
E. Hokijuliandy, H. Napitupulu, and F. Firdaniza, “Analisis Sentimen Menggunakan Metode Klasifikasi Support Vector Machine (SVM) dan Seleksi Fitur Chi-Square,” SisInfo J. Sist. Inf. dan Inform., (Jurnal ilmiah), vol. 5, no. 2, pp. 40–49, 2023, doi: 10.37278/sisinfo.v5i2.670.
D. E. Cahyani and I. Patasik, “Performance comparison of TF-IDF and Word2Vec models for emotion text classification,” (Jurnal ilmiah), vol. 10, no. 5, pp. 2780–2788, 2021, doi: 10.11591/eei.v10i5.3157.
H. F. Naufal and E. B. Setiawan, “Ekspansi Fitur Pada Analisis Sentimen Twitter Dengan Pendekatan Metode Word2Vec,” e-Proceeding Engineering., (Prosiding konferensi), vol. 8, no. 5, pp. 10339–10349, 2021, [Online]. Available: https://dev.twitter.com
W. Andriyani, Y. Astuti, and B. A. Wisesa, “Analisis Sentimen pada Ulasan Produk dengan SVM dan Word2Vec Sentiment Analysis on Product Reviews with SVM and Word2Vec,” JIKO: Jurnal Informatika dan Komputer (Jurnal ilmiah), no. 1, pp. 173–185, 2024, doi: 10.26798/jiko.v8i1.1498.
A. B. Naibaho, D. Anggraini, and B. A. Wardijono, “Penerapan SVM dan Word2Vec untuk Analisis Sentimen Ulasan Pengguna Aplikasi DANA,” J. Ilm. KOMPUTASI, (Jurnal ilmiah), vol. 21, no. 4, pp. 319–330, 2021.
